谈谈工业企业数据治理建设的趋势

工业企业数据环境复杂，数据类型多、产生速度快、数据量大、数据质量不高、数据人才匮乏，因此如何发挥和挖掘数据要素的价值成为当代企业关注的话题。我们也发现，数据治理是破解数据管理难题，发挥数据资产价值，支撑数字化转型不可逾越的工作。

根据研究，数据治理的概念在2002年提出，之后进行了发展和演变，2004年数据治理研究所提出了数据治理框架，2007年IBM提出了数据治理成熟度模型，2009年国际数据管理协会DAMA提出了数据管理知识体系1.0。然而，2015年以后，我们国家就非常重视数据的采集、应用和安全。2015年国务院发布了《促进大数据行动纲要》，2018年发布了《数据管理成熟度评估模型》和《银行业数据治理指引》，2020年把数据作为生产要素提出，充分说明了数据的战略价值，2021年发布了《数据保护法》和《个人信息保护法》。

由此可见，从国家层面非常重视大数据应用以及数据治理。《十四五数字经济发展规划》提出，强化高质量数据要素供给。支持市场主体依法合规开展数据采集，聚焦数据的标注、清洗、脱敏、价密、聚合、分析等环节，提升数据资源处理能力。创新数据要素开发利用机制。适应不同类型数据特点，以实际应用需求为导向，探索建立多样化的数据开发利用机制。

对于企业来说，近年来，大型集团企业全面开展数据治理，挖掘工业企业数据价值，为企业的数字化转型助力赋能。同时，在实践中发现，要想发挥数据的价值就要解决数据可见、可用、可视等问题。因此，通过总结发现需要解决5大方面的问题：

第一：要让使用者知道企业中有哪些数据，因此就要以应用为向导，对现有数据资源进行盘点，并形成分级分类的数据目录。

第二：要让使用者知道数据长啥样子，因此就要在获取数据的技术信息的基础上，补充相关的业务信息和管理信息，使用户能看明白数据内容。

第三：要让使用者知道如何获取数据，因此就要通过建立数据认责体系，形成明确的数据管理制度和共享流程，使用户快速获取想要的数据。

第四：要满足使用者对数据质量的要求，因此就要制定数据管理标准规范，形成数据质量检查规则，对数据进行质量稽核和整改，保证数据可用。

第五：要保障应用中数据的安全，因此就要根据数据的安全等级，结合具体的业务要求，采取安全手段对重要的业务信息及个人隐私进行脱敏或加密等保护。

总起来说，工业企业数据治理是一个企业级的大工程，需要开展数据架构管理、元数据管理、数据模型管理、数据资产管理、数据标准管理、数据质量管理、数据安全管理以及数据全生命周期管理。同时，要建立数据管理的治理体系，包括组织、制度、流程、工具及保障体系。因此，只有建立高效、全面、协同的数据治理体系，才能使数据可发现、可获得、可理解、可使用，才能发挥数据治理在工业企业的价值。

在实践中，我结合几十个大型集团数据治理实践经验，总结了数据治理建设的六个关键点和八大建设趋势。首先谈谈数据治理的关键点：

第一：数据治理需要有战略指导。数据治理的目的就是使数据通过有效的管理发挥数据的价值，从而支持企业战略、业务发展和数字化转型。因此，数据治理要从企业级视角出发，根据企业战略的需要，制定数据战略，从而保证数据管理是在正确的轨道上开展。

第二：管理组织专业化是基础。也就是说要有专职或专职虚职结合的组织开展数据治理工作，关键要有核心管理层的支持。没有数据治理组织开展数据治理就像没有队伍打仗一样，难以协调和形成合力，数据治理基本是支离破碎的状态，因此数据治理的效果就不明显，有时还会出现反作用。

第三：规范机制的建立是基础保障。制定公司的数据治理制度、流程、考核等机制，是数据治理规范开展和持续开展的基础。通过制度、流程、考核机制形成常态化数据治理生态。有些企业做了数据治理规划，制定了制度还是不知道如何开展数据治理。数据治理就是要把治理的工作与信息化项目开展结合和融合，是每一个项目中数据相关的内容是受治理的。

第四：数据管理体系要体系业务价值。数据治理无论从数据标准、数据质量、数据安全、数据共享等方面进行了建设，必须要体现业务价值才能让企业有信心持续开展。因此，要把数据治理和业务价值实现紧密联系起来，比如决策的准确度，流程优化、效率提升、成本降低等。

第五：质量提升要统筹考虑。工业企业数据量大，数据质量策略不能完全一样，必须将有限资源投入到关键数据上。因此，数据质量的提升要关注关键数据，比如战略决策数据、财务报告数据、市场发展数据等。只有采用全面统筹、重点突破、核心价值实现的理念，实现关键数据质量的提升，才能更好的做好数据质量管理工作。

第六：技术支撑需要跟管理重点配套。众所周知，数据治理是一项全面的持续化的工作，需要考虑数据标准、数据质量、数据安全、主数据、元数据、数据资产等技术工具的支撑。但是，我们又不可能一下子把工具配备齐全，因此在技术支撑方面就要结合公司战略重点和业务的重点工作进行建设。

以上就是数据治理的六个关键点。下面谈谈数据治理的建设趋势。

第一个趋势是：数据治理要从企业级视角出发加强总体规划。也就是说基于企业战略的数据治理体系规划是目前大型集团数据治理建设的重要趋势。

首先，开展应用+治理+平台的规划；然后，建立公司级的数据治理体系，包括组织、制度、流程，并整合企业现有数据技术体系，建设统一的数据基础设施；同时，结合企业当前急迫开展的应用，配套进行数据治理工作，打造数据管理能力体系。

在规划阶段，数据应用场景、数据治理场景是核心。数据治理要想发挥价值，就要提供基于应用场景的支撑，比如设备预防性维修的场景，就要关注数据采集方面的标准、关注数据存储方面的安全、关注数据加工方面的质量、关注数据应用方面的共享。因此，要把数据治理工作与整个价值场景结合起来开展。然后，设备运行效率提供，降低了非故障停机率，降低了维修成本，提高了生产效率，保证了产能，这也是数据治理成效的体现。数据治理就是要实现数据管理能力的打造，因此要考虑哪些场景下哪些数据管理能力会提升，要制定长期目标和短期目标，保证数据管理能力顺利形成。

在治理体系建设阶段，数据治理运营模式的选择是核心。常见的数据治理运营模式有分散式、集中式和联邦式，每种运营模式都有各自的优缺点和适应场景。那么如何选择数据治理运营模式呢？就要考虑自身企业的数据文化、管控模式和人才结构。企业对数据价值的定位，使用数据决策的文化氛围和底蕴有没有，公司是战略管控、财务管控还是操作管控，企业中有没有懂数据管理和治理的人才等等，都是选择数据治理运营模式需要考虑的，因此构建数据治理运营模式需要因地制宜。

在数据基础设施构建阶段，数据底座的选择是核心。尤其还没有建设数据仓库的企业，是上数据仓库、大数据、数据中台还是数据湖；上了数据仓库仓库是否还要建设数据中台、数据湖；有了数据仓库和数据湖的，到底以那个为应用核心等等。这些问题成了企业信息部门大大为之困惑的问题。那么如何选择呢？切记不要跟风。首先要弄清楚数据仓库的作用和应用场景，数据湖的作用了应用场景。他们的存储的文件类型、数据加工方式、应用场景等均有不同。现在经常听到的话题就是公司上了数据湖，既存储的业务相关的结构化数据，又存储了声音、图片、文档、视频，乃至流数据，一方面是不知道怎么用，一方面是没法用。背离了数据价值实现的初衷。因此，在构建数据基础设施的时候，要考虑当前公司信息化发展的情况，数据应用的情况，业务的需求情况等，制定基于业务价值场景实现的分阶段数据基础设置建设路径。

在数据分析、价值实现阶段，考虑的核心问题就是如何发挥数据治理的持续价值。很多企业的困惑是不成立组织感觉数据治理这事没法协调没法推进，成了又不知道干什么，从哪开始干。实际上，数据治理并不是孤立的工作，而是要嵌入到信息化项目建设过程中，比如在每个信息化项目中要配置数据治理的角色，从数据质量、数据安全、数据标准、数据应用等方面进行监控，也就是要求每个信息化项目要遵循公司的数据管理规范和标准的要求，这样从立法监督到标准执行就会形成良好的协同机制。也就是说，数据治理工作必须与数据相关的项目建设融合到一起，才能持续发挥数据治理的价值。

第二趋势是：工业企业要想实现数据的开放共享，就必须建立企业级的数据标准体系。

目前来看，也是很多企业亟待进行建设的重点事项。数据标准的建设要考虑业务架构、数据分类、数据生命周期管理以及国内外最佳实践几个要素。

从数据标准建设范围来看，要建立覆盖企业全部业态的数据标准，包括从战略层、经营层和生产层都要覆盖到。数据标准涉及到数据交换、数据模型、数据质量、元数据、数据应用等方面，因此在数据标准建设时要统筹全局考虑。

从数据标准分类范围来看，就要建立包括分析数据标准、交易数据标准、主数据标准、参考数据标准、时序数据标准等。也就是说从工业企业的数据分类来看，每一类数据都应该有具体且可行的数据标准作为应用和共享的支撑。

从数据生命周期管理来看，要包括从数据采集、数据传输、数据存储、数据应用、数据开放共享、数据归档、数据销毁等覆盖全生命周的数据标准。没有标准就没有管理，因此数据生命周期的每一个阶段都要有具体的管理标准与之对应。这样才能保证在数据的整个生命周期中数据是受管控的，让数据在牢笼中发挥价值就是这个意思。因为，数据不但意味着价值，同时也意味着风险。

第三个趋势是：工业企业亟需构建基于闭环管理的数据质量体系。

数据价值是否能够发挥依赖于数据质量的好坏，在工业企业尤其明显。

当前，工业企业的数据应用大都集中在统计报表、趋势分析、数据挖掘、投资决策和数字化运营，且使用的数据大都是系统或者设备或者人工产生的结构化数据，一旦数据质量达不到要求，统计不准确、分析有错误，就不能为业务部门和管理部门提供数据赋能，甚至还有可能做出错误的决策，给公司带来不可估量的损失。因此，工业企业的数据质量提升是数据是否发挥价值的重要基础。垃圾进，垃圾出是大家经常听到的。所以我们就要建立一套包含质量规则制定、数据质量检测、数据质量分析等部分组成的数据质量管控的生命周期闭环体系。从发现问题，分析问题、改进问题、验证问题形成良好的机制，通过数据质量的管理，持续优化数据质量，提升数据资源的业务价值，从而支撑企业业务运行、管理分析和领导决策优化。

第四个趋势是：亟需构建基于法律法规遵从的数据安全体系。

2021年国家发布国家数据安全法、个人信息保护法，足以看出国家对于数据安全的重视。之前有国外企业没有遵循个人隐私保护法规，因为泄漏公民隐私遭受重大惩罚的事件；现在又有我国有些人员泄漏军事机密、泄漏相关数据影响国家安全的，当然也遭受了判刑等惩罚。也就是说，数据日益丰富的今天，安全成为关注的焦点。

数据安全管理就是通过计划、制定、执行相关安全策略和规程，确保数据和信息资产在使用过程中有恰当的认证、授权、访问和审计等措施。有效的数据安全策略和规程要确保合适的人以正确的方式使用和更新数据，并限制所有不适当的访问和更新数据。

工业企业中一般业务部门主要负责数据安全定级以及访问授权，并配合数据安全组织保障体系的建立，参与相关加密、脱敏规则制定，信息管理部门及技术人员负责具体落实审查和执行。

因此，从公司整体层面看数据安全包括以下几个部分：数据安全策略，实现数据的分类分级及定级；数据安全措施，包括加密、脱敏、授权访问控制、监控审计；数据安全技术，包括防护技术、加密技术、脱敏技术等；数据安全组织，包括组织机构、制度流程、人员能力等。同时数据安全要贯穿数据生成与采集、数据传输、数据存储、数据处理、数据交换、数据销毁等全生命周期。尤其秘密数据的物理销毁，一定要有监督机制。

第五个趋势是：构建基于战略价值实现的数据指标体系。

指标从某种意义上反映了企业运行的健康情况。就像我们现在经常要做核酸，不做核酸不行吗？当然不行，没有核酸报告我们就不知道你是不是阴性，是不是感染了新冠病毒，你所经过的场所就可能有不安全的风险。因此，企业要想了解自己运营的健康状况就要时刻监视相关指标，财务指标也好、销售指标也好、生产指标也好、采购指标也好，总之是要监视的，遇到风险还要预警，以便及时调整应对风险。

那我们遇到的问题是什么呢？每个部门和业务条线的指标都很好，公司整体指标却没那么好。为什么会发生这种情况呢，就是因为指标都是为每个部门单独构建的，没有形成联动反馈机制。比方说，销售指标的变化并不能反馈到研发、生产、采购、供应、财务等环节。换句话说，销量的增加就会影响到产能、影响的采购计划、影响到采购资金、影响到公司整体利润。那么销量大一定就赚钱吗，生产能跟上吗，有足够资金采购原材料吗，能按时交货吗等等问题。

因此，构建基于战略价值实现的数据指标体系是工业企业实现动态决策，加快数字化转型的基础。也就是说在进行指标体系建设时，调研梳理环节、口径标准制定环节、指标建模环节、指标体系构建环节，要紧紧围绕公司的发展战略。自上而下从公司战略、业务战略、板块战略、公司战略层层分解，自下而上梳理的基础指标、复合指标、衍生指标要和战略紧密联系在一起。只有这样才能让指标数据和企业发展有机关联，我们经常提到的数据孪生、元宇宙也是如此，也就是数字世界必须与物理世界形成神交，才能实现智慧企业。

第六个趋势是：加速构建从需求到价值实现的数据运营链条。

当前，很多企业数据消费者的痛点是寻找数据、获取数据和使用数据。一方面需要的数据不知道在哪里存放着，一方面是知道需要什么数据却苦于无法获得，另一方面就算是获得了数据也无法知道数据的准确含义。这也就是数据价值的两端出现了鸿沟，数据的采集和数据的使用是数据价值的核心。因此，企业需要构建从需求到价值实现的数据运营链条，建立数据需求和价值实现之间的桥梁。

所以，目前很多大型集团开始加速构建数据共享和数据服务机制，从满足业务部门的数据应用需求出发，通过对需求的收集和管理、数据类应用的项目立项，再到需求分析，数据应用的设计开发，数据资产的使用、积累，再到测试验收部署，最后到下一次的需求提报，整体形成迭代推进的闭环。有了高效的机制，便加速了数据的价值变现。

第七个趋势是：构建基于治理的一体化数据资产价值实现平台。

数据价值的实现离不开技术平台的支撑，就像对石油加工才能形成汽油一样，数据这种原料也需要被加工才能产生更大的价值。这就需要企业搭建支撑数据全生命周期管理和价值实现的综合平台。

当前，很多企业开始基于典型的数据治理框架DAMA或DCMM构建一体化数据治理及资产平台。功能涵盖数据治理的各个领域，同时实现数据价值，包括数据架构、数据建模与设计、数据存储与操作、数据安全、元数据管理、数据集成与共享、文档和内容管理、参考数据和主数据、数据质量、数据仓储与商务智能、大数据与数据科学等功能模块。

有些企业数据治理开展的比较早，分别建立主数据、数据质量、数据安全、数据仓库等系统，随着数据复杂度和环境的变化，发现这些工具或系统之间难以集成并形成综合效应。因此，对于正在进行数据治理的企业来说，如果是这种情况就要考虑各数据管理功能间的逻辑整合，不要让数据治理本身创造更多的孤岛。

第八个趋势是：强化数据要素生产力动能转换体系。

生产要素通常是指进行社会生产经营活动时所需要的各种社会资源，是维系国民经济运行及市场主体生产经营过程中所必须具备的基本因素。土地、劳动力、资本、技术等传统生产要素已被广泛认同，不可或缺。当前，数字化、智能化趋势下的新一代信息技术与实体经济深度融合，新模式新业态持续涌现，数字经济正在成为推动发展的新引擎，数据也日益成为驱动新经济发展越来越重要的新生产要素，对整个社会的影响显著且深刻。

数据通过更为科学理性的方式，分析行为、判断方向、预测结果，超越了过去更依赖经验与直觉的生产生活方式，围绕数据要素开展利用将成为企业提高核心竞争力的关键因素。今天企业资源优化配置的科学性、实时性、有效性来自于把正确的数据、在正确的时间，以正确的方式，传递给正确的人和机器，这是数据流动的自动化。只有数据这种生产要素高效的流动起来，才能形成数据价值生态。

所以，企业需要打造业务领域、合作伙伴、社会团体等的“数据枢纽”，统筹考现有数据技术体系，实现内外部数据的集中集成、高效治理、共享互通，支撑各类数据应用的“百花齐放”，打造“共享共赢”的数字化生态圈。